Opinie czytelników
Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.
Oryginalny tytuł:
Applied Machine Learning
Zawartość książki:
Metody uczenia maszynowego są obecnie ważnym narzędziem dla naukowców, badaczy, inżynierów i studentów w wielu dziedzinach. Niniejsza książka została napisana z myślą o osobach, które chcą poznać i wykorzystać główne narzędzia uczenia maszynowego, ale niekoniecznie chcą zostać badaczami w tej dziedzinie. Przeznaczony dla studentów ostatniego roku studiów licencjackich lub pierwszego roku studiów magisterskich informatyki w zakresie uczenia maszynowego, ten podręcznik jest zestawem narzędzi do uczenia maszynowego. Applied Machine Learning obejmuje wiele tematów dla osób, które chcą wykorzystać procesy uczenia maszynowego do wykonywania zadań, z silnym naciskiem na korzystanie z istniejących narzędzi i pakietów, zamiast pisania własnego kodu.
Książka ta, będąca uzupełnieniem autorskiego podręcznika Probability and Statistics for Computer Science, rozpoczyna się w miejscu, w którym wcześniejsza książka została przerwana (ale zawiera również podsumowanie prawdopodobieństwa, które czytelnik może wykorzystać).
Podkreślając przydatność standardowych maszyn ze statystyki stosowanej, podręcznik ten zawiera przegląd głównych obszarów stosowanych w uczeniu się, w tym omówienie - klasyfikację przy użyciu standardowych maszyn (naiwny bayes; najbliższy sąsiad; SVM)- grupowanie i kwantyzację wektorową (w dużej mierze jak w PSCS)- PCA (w dużej mierze jak w PSCS)- warianty PCA (NIPALS; ukryta analiza semantyczna; regresja liniowa (w dużej mierze jak w PSCS) - uogólnione modele liniowe, w tym regresja logistyczna - wybór modelu za pomocą Lasso, elasticnet - solidność i m-estymatory - łańcuchy Markowa i HMM (w dużej mierze jak w PSCS) - EM w dość krwawych szczegółach; wieloletnie doświadczenie w nauczaniu tego sugeruje, że wymagany jest jeden szczegółowy przykład, którego studenci nienawidzą; ale kiedy już przez to przejdą, następny jest łatwy - proste modele graficzne (w sekcji wnioskowania wariacyjnego) - klasyfikacja za pomocą sieci neuronowych, ze szczególnym naciskiem na klasyfikację obrazów - automatyczne kodowanie za pomocą sieci neuronowych - uczenie się struktury.
